Otimização de portfólio: uma análise através de técnicas de Reinforcement Learning e Autoencoders

• Ano de defesa: 2022
• Autor(a) principal: Melo, Fernando Danilo de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Autoencoders; Reinforcement Learning; Aprendizado de Máquina; Criptomoedas; Cryptocurrencies; Dados Fundamentalistas; Dados Técnicas; Fundamental Data; Machine Learning; Mercado de Ações; Otimização de Portfólio; Portfolio Optimization; Stock Market; Technical Data
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-25112022-170424/

Com o desenvolvimento dos algoritmos de Reinforcement Learning nos últimos anos, houve um aumento no número de estudos relacionados à negociação de ativos e otimização de portfólio. Embora trabalhos com dados de análise técnica e fundamentalista ganharam notoriedade nos últimos anos, poucos incluem ambos. Outro tema pouco explorado é o impacto do uso de Autoencoders para extrair variáveis e conexões entre os dados. Buscando explorar esses pontos e entender o impacto da introdução dessas variáveis, propomos um sistema inteligente para otimizar um portfólio por meio de análises de dados técnicos e fundamentalistas, bem como as variáveis geradas utilizando Autoencoders . Avaliamos o modelo em dois mercados distintos (o mercado Norte Americano de Ações e o de Criptoativos) em mais de 10 ativos, buscando avaliar o desempenho do agente em relação a modelos tradicionais. Posteriormente, esta avaliação permitiu-nos entender o impacto dos dados dos ativos em seu desempenho e como o agente se comporta em um mercado tradicional, como o de ações, e em mercados menos regulamentados, como o de criptomoedas